一凡 發(fā)自 副駕寺
智能車參考 | 公眾號 AI4Auto

Momenta，也押注世界模型了。

就在剛剛，Momenta劇透下一代飛輪大模型R7，將世界模型引入強化學習，讓AI看懂物理世界，理解物理規(guī)律。

據(jù)說引入世界模型后，R7性能暴漲，表現(xiàn)驚艷，以至于上汽大眾總經(jīng)理陶海龍親測R7后，直接給Momenta CEO曹旭東打電話：

• 必須我們首發(fā)

上汽大眾爭取首發(fā)R7的產(chǎn)品，名為ID.ERA 9X。這是上汽大眾的最新旗艦，一款車長超5.2米的全尺寸增程SUV，集成了德系機械素質(zhì)和中國AI技術。

Momenta押注世界模型，劇透下一代R7大模型

在劇透世界模型前，曹旭東首先介紹了行業(yè)過去的技術瓶頸。曹旭東表示，業(yè)內(nèi)此前普遍采用模仿學習范式，這種范式通過模仿人類老司機軌跡來提升模型性能，無法超越人類老司機的駕駛水平。這就像咱們在學校里亦步亦趨地跟著老師學習，當然很難超越老師。

為了打破技術瓶頸，讓AI司機有希望超越人類司機，Momenta轉(zhuǎn)向了強化學習，Momenta認為強化學習大模型有希望超越人，甚至大幅超越人，在去年推出了基于強化學習的一段式端到端大模型R6

R6能夠在開放的環(huán)境中自主探索試錯，不再只是簡單地模仿人類軌跡，而是從綜合安全、舒適和效率等多個維度考慮，從多個可能軌跡中篩選出最好的那條。

R6代表著Momenta過去的技術探索，面向未來Momenta押注了世界模型，即將推出R7強化學習世界模型

這里簡單解釋一下，關于世界模型的定義有很多種，目前大體可以分為兩類：

一類是生成世界模型，一般作為自動駕駛和具身智能的“云端訓練場”，訓練端側(cè)算法。自動駕駛行業(yè)目前基本對這條路線形成了共識，只有個別玩家還在堅持真實數(shù)據(jù)為王。

另一類是表征世界模型，代表著車端真正驅(qū)動車輛的AI算法，負責理解物理世界并進行推理。目前行業(yè)在這條路線和VLA之間存在爭論，Momenta押注的正是這條路線，與Momenta同一陣營的還有蔚來華為

為什么Momenta在此時轉(zhuǎn)向了世界模型？

曹旭東認為，物理AI時代已經(jīng)到來，因此自動駕駛技術必須要擁有對于物理世界的認知能力，所以Momenta在強化學習的基礎上，引入了世界模型，讓AI能夠基于更完整的物理世界信息，做出更符合物理世界的預測和規(guī)劃。只有這樣大模型才有機會真正地理解物理規(guī)律，理解運動之間的因果關系，以及物體之間交互的潛在可能。

那為什么Momenta不選VLA？

“VLA好鋼沒用刀刃上，傳感器重要性排第三梯隊”

在發(fā)布會后，曹旭東還對話了智能車參考等媒體，在群訪中回答了很多問題，最值得關注的是兩大路線之爭

第一大路線之爭圍繞VLA和世界模型之間展開。

曹旭東從直覺和技術兩個角度，解釋了為什么Momenta不選VLA。

首先從直覺上來說，曹旭東認為雖然LLM現(xiàn)在什么都能干，比如會寫代碼、寫詩歌、解數(shù)學題，但這對開車來說幫助不大。類比人類司機，把車開好不需要一個人會寫代碼或者解數(shù)學題，只需要ta能理解物理世界的規(guī)律，在各種各樣的場景及時做出反應，并做出安全的預判。

而只有世界模型才具有這樣的能力，能夠?qū)W習物理規(guī)律，并且可以通過強化學習收集到大量的長尾場景，反復鍛煉“肌肉記憶”。

而從技術角度來看，曹旭東介紹稱VLA的訓練側(cè)重點與自動駕駛的需求有偏差。VLA訓練起源于LLM，底座模型的參數(shù)量一般在100B左右，然后再通過視覺和語言對齊，最后用行動去和視覺-語言組合對齊。這樣看來在VLA的訓練過程中，語義的優(yōu)先級高于駕駛，很多參數(shù)也沒用于駕駛?cè)蝿?，“好鋼沒用在刀刃上”。總結(jié)起來就是“VLA對自動駕駛是錦上添花，很難雪中送炭”

VLA和世界模型，是軟件算法層面的爭議，而在底層硬件上，行業(yè)此前還一直存在著純視覺和多傳感器冗余（激光雷達）的爭論，但這已經(jīng)是過去時了

曹旭東認為，傳感器選型的重要性只能排在第三位。前兩位是什么？

首先，Momenta最重視的是算法架構(gòu)、數(shù)據(jù)和體系能力

數(shù)據(jù)不必多說，這是AI迭代的基石。先說算法架構(gòu)，曹旭東表示單一算法本身的壁壘很低，更重要的是架構(gòu)，即把很多算法整合形成合力，并長期積累的能力。

再往上層是研發(fā)體系能力，要像神經(jīng)網(wǎng)絡一樣可以反向傳播，就是識別到用戶高價值的任務，并將其傳播給產(chǎn)品和研發(fā)團隊。這樣團隊才能知道什么事情產(chǎn)出最高，在方案選型時選出提升用戶體驗最快的方案。

曹旭東透露，數(shù)據(jù)、架構(gòu)和體系能力是Momenta內(nèi)部第一梯隊重要的事情，而緊隨其后的是芯片算力。因為芯片算力直接決定模型能力上限。

在這些要素之后，排在第三梯隊的是傳感器。曹旭東認為哪怕只用純視覺，即傳感器都用攝像頭，相比人類雙眼已經(jīng)是“超配”了。因為人的雙眼并不是360°環(huán)視的，攝像頭的覆蓋程度已經(jīng)非常全面，有足夠的冗余。

所以傳感器當然是越多越好，但隨著數(shù)據(jù)、算法架構(gòu)和研發(fā)體系能力提升，堆傳感器數(shù)量、堆激光雷達的邊際效應會減弱。

“這已經(jīng)逐漸成為行業(yè)共識了”